引言：一个你可能没注意过的"反常识"

如果你关注AI新闻，一定听说过这些名字：GPT-4、Mixtral、小米MiMo-V2.6——它们最近都很火，而且都有一个共同点：底层用了一种叫"混合专家模型"（Mixture-of-Experts，简称MoE）的架构。

这种架构的核心思路特别像一个大公司的运作方式：公司有一万名员工，但每次只叫来三个最对口的人处理你的问题。虽然总共有一万人的"知识库"，但干活的时候只动用一小部分人，所以又快又省成本。

AI也是这样——MoE模型可能有上万亿的总参数，但每次处理一段文字时只激活其中很小一部分。这就让它在保持强大能力的同时，推理速度更快、消耗的算力更少。

听起来很完美对吧？

但2026年9月，斯坦福大学和Meta的研究团队发表了一篇论文，揭示了一个让人不安的事实：这种"偷懒"的架构，在一种特定情况下会比老老实实用全部参数的传统模型差得多——而这种情况，恰恰是整个AI行业正在面对的。

数据快不够用了：AI行业的隐秘焦虑

先说一个你可能不太了解的背景。

训练一个强大的AI模型，需要海量的"好数据"——人类写的文章、书籍、代码、论文、对话。这些数据就像是AI的"教科书"，教科书的质量直接决定了AI的水平。

但问题是，人类写的好数据快被用完了。

这不是夸张。各大AI公司已经把互联网上几乎所有公开的文字都翻过一遍了。怎么办？一个"心照不宣"的做法是：把已有的数据重复用好几遍。训练一遍不够？那就训练四遍、八遍、甚至三十二遍。

听起来好像有点道理——人类学习不也是"重复练习"嘛？

但对于MoE模型来说，重复练习的效果远比想象中糟糕。

实验：一场精心设计的"数据注水"测试

研究团队做了一个非常直观的对比实验。

他们准备了从8000万到10亿参数不等的模型，既有"老实人"（传统密集模型，每次计算都用全部参数），也有"聪明人"（MoE模型，每次只激活一部分参数），总参数规模最大到85亿。

然后，他们故意把训练数据重复不同的次数——2倍、4倍、8倍、16倍、32倍、64倍——来模拟"数据不够，重复来凑"的场景。

结果非常清晰：

密集模型（“老实人”）： 数据重复8次以内，几乎看不出性能下降。就像一个勤奋的学生，课本读了8遍，每次都能学到新东西。

MoE模型（“聪明人”）： 数据重复到4次就开始明显退化，到32次时甚至不如那些"笨"的密集模型。就像一个聪明但偷懒的学生，课本读了4遍就开始"背答案"而不是"理解内容"，到32遍的时候已经变成了鹦鹉学舌。

更关键的是，这种退化不是随机的——模型越是"稀疏"（每次激活的参数占比越小），退化就越严重。 也就是说，越是追求效率的MoE架构，在这个问题上就越脆弱。

为什么会这样？“专业分工"的双刃剑

要理解这个问题，我们得回到MoE架构的核心机制。

想象一个大型医院。密集模型就像一个全科医生——每次看病都要动用自己所有的医学知识，虽然慢一些，但每次都会综合分析。而MoE模型就像一个拥有100个专科医生的超级医院——你来看头疼，它只叫来神经内科的3个专家，其他97个科室的医生完全不参与。

日常情况下，这种"按需叫人"的模式效率极高。但问题出在"重复学习"上。

当同一条数据反复出现时，MoE模型的"分诊台”（学术上叫路由器）会越来越快地形成固定判断：“这种类型的文字，交给这几个专家就行。“研究发现，MoE的路由决策在训练很早阶段就"固化"了——一旦形成习惯，就不再改变。

这就相当于医院的分诊台在第4次看到同一类病人后，就彻底锁死了分诊规则。之后不管来多少遍，都是同样的3个医生看同样的病，用同样的方式治。他们不再综合其他科室的意见，而是开始"背治疗方案”。

用论文的话说：“专家的专业化程度越高，对重复数据的过拟合就越严重。”

这是一种精妙的讽刺——MoE之所以高效，正是因为它的专家足够"专”；但正是这种"专"，让它在面对重复数据时变成了"死记硬背"。

这对普通人意味着什么？

你可能觉得这只是学术圈的烦恼，但它其实和你的日常体验密切相关。

第一，你用的AI产品可能正在"变笨"。 当你发现某个AI模型在特定话题上总是给出雷同的、越来越"套路化"的回答时，这可能不是巧合。如果它底层是MoE架构，而训练数据又反复使用，那那些"专家"可能真的在背答案。

第二，“更大"不等于"更好”。 2026年9月，小米刚发布了1万亿参数的MiMo-V2.6-Pro，每次只激活420亿参数。这是MoE架构的极致体现——参数越多、激活比例越低、效率越高。但斯坦福的研究告诉我们，这种极致效率的背后，是对数据重复更深的脆弱性。

第三，AI训练数据的"枯竭"不是未来的问题，是现在的问题。 当整个行业都在重复使用越来越少的独特数据时，那些最高效的架构反而最先受伤。这意味着AI能力的提升可能会遇到一个之前被低估的天花板。

有没有解药？

好消息是，研究团队找到了一些缓解方法。

Dropout（随机失活）——在训练过程中随机"关掉"一部分专家，迫使模型不要过度依赖某几个固定专家。这相当于强制医院的分诊台时不时换一种分诊方式，让不同的医生也有机会参与。

实验表明，加上足够强的正则化手段后，MoE模型即使在数据重复64次的情况下，依然能保持比密集模型更好的性能。

但坏消息是：没有任何方法能完全恢复到"只用不重复数据"的效果。

也就是说，数据重复造成的伤害是真实存在的，我们能做的只是减少伤害，而不能完全消除。

一个更深层的思考

这项研究让我想到一个更深层的问题：效率与鲁棒性之间的权衡，可能比我们想象的更普遍。

MoE模型选择了效率——用更少的计算达到同样甚至更好的效果。但代价是对数据质量更敏感，对重复数据更脆弱。

这其实和很多现实系统很像。一个高度专业化的经济体效率极高，但在供应链冲击面前特别脆弱。一个只种单一作物的农场产量最高，但面对病虫害时最容易全军覆没。

AI架构设计也是如此。当我们越来越追求"用更少的算力做更多的事"时，是不是也在不知不觉中牺牲了某种"冗余"——那种看似浪费、实则提供稳健性的冗余？

也许未来的AI架构需要在效率和多样性之间找到更好的平衡。不是所有参数都应该"专业化"，有些"通用"的能力可能正是对抗数据枯竭的解药。

毕竟，在这个人类文字即将被"用完"的时代，AI是选择做一个只精通几科的"专家门诊"，还是做一个虽然慢一点但每次都能融会贯通的"全科医生"——这个问题的答案，可能决定了下一代AI能走多远。

参考来源

  • Jha, A., Li, M., Leskovec, J., Liang, P., & Zettlemoyer, L. (2026). “Data Scarcity and Model Sparsity: Mixtures-of-Experts Overfit More to Repeated Data.” arXiv:2609.11917. 论文链接
  • Labzin, K., et al. (2026). “Evidence for Shared Routing Geometry and Dynamics in Sparse Mixture-of-Experts.” arXiv:2609.02404. 论文链接